پرسش و پاسخ توضیحپذیر
پرسش و پاسخ توضیحپذیر (XQA) مدلهای خواندن و درک مطلب عصبی — که معمولاً ترانسفورمرهای خانواده BERT هستند — را با روشهای تفسیرپذیری مانند استخراج دلیل، بصریسازی توجه، LIME یا SHAP ترکیب میکند تا نشان دهد چرا مدل یک بازه پاسخ خاص را انتخاب کرده است. هدف فقط دقت نیست، بلکه استدلال قابل اعتماد و قابل حسابرسی است که کاربران و متخصصان دامنه بتوانند آن را بررسی و تأیید کنند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- DeYoung, J., Jain, S., Rajani, N. F., Lehman, E., Xiong, C., Socher, R., & Wallace, B. C. (2020). ERASER: A Benchmark to Evaluate Rationalized NLP Models. In Proceedings of ACL 2020, pp. 4443–4458. DOI: 10.18653/v1/2020.acl-main.408 ↗
- Rajpurkar, P., Zhang, J., Lopyrev, K., & Liang, P. (2016). SQuAD: 100,000+ Questions for Machine Comprehension of Text. In Proceedings of EMNLP 2016, pp. 2383–2392. DOI: 10.18653/v1/D16-1264 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Explainable Question Answering (XQA). ScholarGate. https://scholargate.app/fa/deep-learning/explainable-question-answering
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- طبقهبندی مبتنی بر بِرْتیادگیری عمیق↔ compare
- طبقهبندی مبتنی بر برتِ قابل توضیحیادگیری عمیق↔ compare
- ترنسفورمر قابل توضیح (Explainable Transformer)یادگیری عمیق↔ compare
- طبقهبندی مبتنی بر RoBERTaیادگیری عمیق↔ compare
- تعبیههای جملهیادگیری عمیق↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →